JP2020172861A - 異常判別方法、異常判別装置および異常判別プログラム - Google Patents

Abstract

【課題】風車のブレードの異常を精度良く判別する。【解決手段】異常判別装置１は、風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから前記風車の一回転分の時間間隔で連続的に画像データを切り出す。異常判別装置１は、該切り出した連続した画像データのうち基準となる画像データに対して、該切り出した画像データの時間軸方向の幅が同じになるように拡縮して重ね合わせた画像データを生成する。異常判別装置１は、該生成した画像データを学習する。【選択図】図１

Description

本発明は、異常判別方法などに関する。

風車の翼（ブレード）の損傷を検出する技術が知られている（例えば、特許文献１参照）。例えば、風車が、風車の翼の振動を示す振動データ又は風車の翼の内部の音を示す音響データを取得し、取得した振動データ又は音響データの経時変化に基づいて、風車の翼の損傷を検出する。このとき、風車は、取得した振動データ又は音響データのうち、風速が風速規定範囲内であるときに取得した振動データ又は音響データのみを用いて風車の翼の損傷を検出する。

また、風力のブレードを検査するための装置が知られている（例えば、特許文献２参照）。かかる装置は、ドップラー偏移により受けた音響信号の変動を分析して、ブレードの異常によって放射された音の最大周波数および最小周波数を測定するように構成されて配置される。

特開２０１５−１６１２４７号公報 特表２０１６−５１９２９２号公報

しかしながら、従来の技術では、風車のブレードの異常を精度良く判別することができないという問題がある。

例えば、風車は、風の力を利用するが、風速が変化すると、風速の変化に応じて発生する音の状況が変化する。すなわち、風速によって、特定の音が出たり、出なかったりするために、そもそもブレードの損傷に対応する音が特定できない。したがって、風車のブレードの損傷を検出する技術では、音響データの経時変化に基づいて、風車のブレードの損傷を検出するが、風速の変化に応じて音響データの状況が変化するので、風車のブレードの異常を精度良く判別するのは難しい。また、風力のブレードを検査するための装置は、ドップラー偏移により受けた音響信号からブレードの異常を検出するが、風速の変化に応じて音響信号の状況が変化するので、風車のブレードの異常を精度良く判別するのは難しい。

本発明は、１つの側面では、風車のブレードの異常を精度良く判別することを目的とする。

１つの態様では、コンピュータは、以下の異常判別方法を実行する。コンピュータは、風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから前記風車の一回転分の時間間隔で連続的に画像を切り出し、該切り出した連続した画像のうち基準となる画像に対して、該切り出した画像の時間軸方向の幅が同じになるように拡縮して重ね合わせた画像を生成し、該生成した画像を学習する。

１実施態様によれば、風車のブレードの異常を精度良く判別することができる。

図１は、実施例に係る異常判別装置の構成を示す機能ブロック図である。 図２は、風車の一例を示す図である。 図３は、実施例に係る周波数解析処理の一例を示す図である。 図４は、実施例に係る音データ調整処理および周期切り出し処理の一例を示す図である。 図５は、実施例に係る周波数解析画像調整処理の一例を示す図である。 図６は、実施例に係る周波数解析画像調整処理のメッシュ再構成の一例を示す図である。 図７は、実施例に係る画像重ね合せ処理の一例を示す図である。 図８は、実施例に係る判別処理の一例を示す図である。 図９は、実施例に係る分類器生成処理の一例を示す図である。 図１０は、実施例に係る異常判別処理のフローチャートの一例を示す図である。 図１１は、異常判別処理プログラムを実行するコンピュータの一例を示す図である。

以下に、本願の開示する異常判別方法、異常判別装置および異常判別プログラムの実施例を図面に基づいて詳細に説明する。なお、本発明は、実施例により限定されるものではない。

［実施例に係る異常判別装置の構成］
図１は、実施例に係る異常判別装置の構成を示す機能ブロック図である。図１に示す異常判別装置１は、風車のブレードから発生する音データ４０を周波数分析した画像データから当該風車の一回転分の時間間隔で複数の画像データを切り出し、複数の画像データを重ね合わせた画像データを分類器に入力して、ブレードの異常を判別する。なお、分類器とは、ブレードに傷の無い状態での風切り音の周波数成分を正常データ、ブレードに傷が有る状態での風切り音の周波数成分を異常データとして学習した学習モデルのことをいう。

異常判別装置１は、ネットワーク５を介してマイク２と接続する。マイク２は、直接的にネットワーク５を介して異常判別装置１と接続しても良いし、端末に接続して、端末からネットワーク５を介して異常判別装置１と接続しても良い。マイク２は、風車９から取得した音データ４０を異常判別装置１に向けて送信する。

ここで、実施例に係る風車９の一例を、図２を参照して説明する。図２は、風車の一例を示す図である。図２に示すように、風車９は、複数のブレード９１を備え、風力を利用して複数のブレード９１を回転させ、発電する。マイク２は、例えば、ブレード９１の下方に取り付けられる。マイク２は、ブレード９１が回転する際に発する音データを取得する。なお、風車９は、３個のブレード９１を備えているが、これに限定されない。以降では、風車９が、３個のブレード９１を備える場合について説明する。

図１に戻って、異常判別装置１は、制御部１０と、記憶部２０と、通信部３０と、を有する。

通信部３０は、ネットワーク５を介してマイク２などと通信を行う。通信部３０は、例えば、ＮＩＣ（Network Interface Card）などによって実現される。

制御部１０は、ＣＰＵ（Central Processing Unit）などの電子回路に対応する。そして、制御部１０は、各種の処理手順を規定したプログラムや制御データを格納するための内部メモリを有し、これらによって種々の処理を実行する。制御部１０は、前処理部１１、周波数解析部１２、音データ調整部１３、周期切り出し部１４、周波数解析画像調整部１５、画像重ね合せ部１６、判別部１７、分類器生成部１８および出力部１９を有する。

記憶部２０は、例えば、ＲＡＭ、フラッシュメモリ（Flash Memory）などの半導体メモリ素子、または、ハードディスク、光ディスクなどの記憶装置である。記憶部２０は、周波数解析画像データ２１、パワープロットデータ２２および周波数解析画像データ（１周期分）２３を有する。

周波数解析画像データ２１は、音データ４０から周波数解析された結果を示す画像データである。なお、周波数解析画像データ２１は、周波数解析部１２によって生成される。

パワープロットデータ２２は、音データ４０が示す音の波形から音の強度をプロットしたデータである。なお、パワープロットデータ２２は、音データ調整部１３によって生成される。

周波数解析画像データ（１周期分）２３は、周波数解析画像データ２１の中から切り出された１周期分の周波数解析画像データである。１周期とは、風車が１回転する期間のことをいう。１周期の期間は、風速などの環境の変化に応じて異なる。なお、周波数解析画像データ（１周期分）２３は、周波数解析画像調整部１５によって生成される。

前処理部１１は、音データ４０に対して前処理を行う。例えば、前処理部１１は、音データ４０に対して外部の雑音排除のためのフィルター処理を行う。

周波数解析部１２は、前処理された音データ４０に対して周波数解析を行う。例えば、周波数解析部１２は、前処理部１１によって前処理された音データ４０を用いて、横軸として時間、縦軸として周波数となるような周波数解析画像データ２１を生成する。周波数解析は、短時間フーリエ変換（ＳＴＦＴ：short-time Fourier transform）による解析であっても良いし、ウェーブレット変換であっても良い。周波数解析が短時間フーリエ変換による解析である場合には、周波数解析画像データ２１は、スペクトラム図となる。周波数解析がウェーブレット変換による解析である場合には、周波数解析画像データ２１は、ウェーブレット変換による図となる。

音データ調整部１３は、前処理された音データ４０を調整する。例えば、音データ調整部１３は、前処理部１１によって前処理された音データ４０の波形から、音の強度をプロットしたパワープロットデータ２２を生成する。そして、音データ調整部１３は、生成したパワープロットデータ２２が示す波形をスムージングする。

周期切り出し部１４は、周波数解析画像データ２１を１周期分ずつ切り出す。

例えば、周期切り出し部１４は、パワープロットデータ２２が示す波形（音響パワー）から、風車９が１回転する１周期を決定するために、ブレード９１が発する音の強度の極小点の時刻を探索する。加えて、周期切り出し部１４は、探索した極小点の時刻について、風車の回転数条件を満たしているか否かを判定し、満たしていれば今回探索した極小点の時刻を保持する。ここでいう極小点として保持される時刻とは、１個のブレード９１の回転がマイク２から通り過ぎるとともに次の１個のブレード９１の回転がマイク２に近づきつつある時刻であるともいえる。また、ここでいう回転数条件とは、予め定められる風車の単位当たりの最小回転数と最大回転数とから得られる条件のことをいう。一例として、周期切り出し部１４は、今回探索した極小点の時刻と前回探索した極小点の時刻との時間間隔が、単位当たりの最大回転数から得られる１回転当たりの秒数より大きく、単位当たりの最小回転数から得られる１回転当たりの秒数より小さければ、今回探索した極小点の時刻を保持する。

そして、周期切り出し部１４は、実施例では風車９が３個のブレードで構成されている場合であるので、回転数条件を満たす時刻の３点分を１周期として決定する。そして、周期切り出し部１４は、周波数解析画像データ２１を、決定した１周期分ずつ切り出し範囲として切り出し、１周期分ごとの周波数解析画像データ（１周期分）２３を生成する。

周波数解析画像調整部１５は、複数の周波数解析画像データ（１周期分）２３を調整する。例えば、周波数解析画像調整部１５は、周期切り出し部１４によって切り出された１周期分ごとの周波数解析画像データ（１周期分）２３の最大となる振幅を用いてそれぞれの振幅の正規化を行う。加えて、周波数解析画像調整部１５は、１周期分ごとの周波数解析画像データ（１周期分）２３を、基準となる周波数解析画像データ（１周期分）２３の横幅と同じになるように拡縮する。一例として、周波数解析画像調整部１５は、それぞれの周波数解析画像データ（１周期分）２３のメッシュの数が基準となる周波数解析画像データ（１周期分）２３のメッシュの数と同じになるようにメッシュを切り直す。そして、周波数解析画像調整部１５は、切り直したメッシュに対して、それぞれの周波数解析画像データ（１周期分）２３の周波数解析結果の振幅値を再構成する。振幅値の再構成は、時間軸をｘ軸、周波数軸をｙ軸、信号振幅値をｚ軸として、例えばスプライン曲面を作成することにより行えば良い。そして、周波数解析画像調整部１５は、振幅値を再構成したメッシュの横幅を調整する。

画像重ね合せ部１６は、調整した周波数解析画像データ（１周期分）２３を重ね合わせた画像データを生成する。例えば、画像重ね合せ部１６は、周波数解析画像調整部１５によって調整された周波数解析画像データ（１周期分）２３の同じ位置のメッシュごとに画素値を加算し、枚数で平均化する。

判別部１７は、重ね合わせた画像データからブレードが異常であるか否かを判別する。例えば、判別部１７は、画像重ね合せ部１６によって生成された画像データを、後述する分類器生成部１８によって生成された分類器に入力して、ブレードの正常、異常の分類を判別する。

分類器生成部１８は、分類器を生成する。例えば、分類器生成部１８は、ブレードに傷の無い状態での１周期分の風切り音の周波数解析画像データを正常データ、ブレードに傷が有る状態での１周期分の風切り音の周波数解析画像データを異常データとして分類器を学習する。なお、分類器生成部１８による分類器は、深層学習（ディープラーニング）による学習モデルであるが、これに限定されず、機械学習による学習モデルであっても良い。

出力部１９は、ブレードの正常、異常の分類を出力する。例えば、出力部１９は、判別部１７によって判別された分類をモニターに表示する。

［周波数解析処理の一例］
図３は、実施例に係る周波数解析処理の一例を示す図である。なお、音データ４０は、前処理部１１によってノイズ除去などの前処理がされたデータであるとする。図３に示すように、周波数解析部１２は、音データ４０を用いて、周波数解析画像データ２１を生成する。ここでは、音データ４０は、Ｘ軸を時間、Ｙ軸を音の強度を示す振幅で表わされている。周波数解析部１２は、音データ４０を用いて、短時間フーリエ変換により解析した結果であるスペクトラム図を周波数解析画像データ２１として生成する。周波数解析画像データ２１は、Ｘ軸を時間、Ｙ軸を周波数で表わされ、周波数解析を行った結果を示す。

［音データ調整処理および周期切り出し処理の一例］
図４は、実施例に係る音データ調整処理および周期切り出し処理の一例を示す図である。図４に示すように、音データ調整部１３は、音データ４０の波形から、音の強度をプロットしたパワープロットデータ２２を生成する。なお、音データ調整部１３は、必要であれば、パワープロットデータ２２が示す波形をスムージングしても良い。

そして、周期切り出し部１４は、パワープロットデータ２２が示す音響パワーから、風車９が１回転する１周期を決定するために、ブレード９１が発する音のパワーの極小点の時刻を探索する。周期切り出し部１４は、風車９が３個のブレード９１を備えている場合には、連続した３個の極小点の時刻を探索する。一例として、周期切り出し部１４は、探索した極小点の時刻について、風車９の単位当たりの最小回転数と最大回転数とから得られる回転数条件を満たしているか否かを判定し、満たしていれば今回探索した極小点の時刻を保持する。そして、周期切り出し部１４は、回転数条件を満たす時刻の３点分を１周期として決定する。ここでは、パワープロットデータ２２には、極小点の時刻の位置が「１」，「２」，「３」と表わされている。極小点の時刻の位置が「１」から次の「１」までの時間間隔が１周期として決定される。

そして、周期切り出し部１４は、周波数解析画像データ２１を、決定した１周期分ずつ切り出し範囲として切り出し、１周期分ごとの周波数解析画像データ（１周期分）２３を生成する。

［周波数解析画像調整処理の一例］
ここで、周波数解析画像調整処理の一例について、図５および図６を参照して説明する。図５は、実施例に係る周波数解析画像調整処理の一例を示す図である。図６は、実施例に係る周波数解析画像調整処理のメッシュ再構成の一例を示す図である。なお、図５，図６では、周期切り出し部１４によって１周期分ごとの周波数解析画像データ（１周期分）が生成されたものとする。

図５に示すように、周波数解析画像調整部１５は、１周期分ごとの周波数解析画像データ（１周期分）２３の最大となる振幅を用いてそれぞれの振幅の正規化を行う。ここでは、周波数解析画像調整部１５は、周波数解析画像データ（１周期分）２３の画像データＧの振幅の正規化を行い、画像データＧ´を生成する。なお、画像データＧ，Ｇ´の１周期分の横幅は、ａである。

加えて、周波数解析画像調整部１５は、１周期分ごとの周波数解析画像データ（１周期分）２３を、基準となる周波数解析画像データ（１周期分）２３の横幅と同じになるように横軸を調整する。ここでは、基準となる周波数解析画像データ（１周期分）２３の横幅は、ｂであるとする。すると、周波数解析画像調整部１５は、横軸の横幅がｂとなるように、画像データＧ´をＧ´´に調整する。周波数解析画像データ（１周期分）２３の横軸調整は、メッシュの再構成によって行われる。

図６は、実施例に係る周波数解析画像調整処理のメッシュ再構成の一例を示す図である。なお、図６に示すＧ´−Ｍ０は、図５の画像データＧ´のメッシュ構成を示している。Ｇ´´−Ｍ０は、図５の画像データＧ´´のメッシュ構成を示している。

図６に示すように、周波数解析画像調整部１５は、周波数解析画像データ（１周期分）２３のメッシュの数が基準となる周波数解析画像データ（１周期分）２３のメッシュの数と同じになるようにメッシュを切り直す。ここでは、周波数解析画像調整部１５は、画像データＧ´のメッシュの数が基準となる画像データのメッシュの数と同じになるようにメッシュを切り直す。切り直した画像データＧ´のメッシュ構成が、Ｇ´−Ｍ１である。なお、画像データＧ´の横幅は、ａである。

そして、周波数解析画像調整部１５は、切り直したメッシュに対して、周波数解析画像データ（１周期分）２３の周波数解析結果の振幅値を再構成する（図示せず）。そして、周波数解析画像調整部１５は、振幅値を再構成したメッシュの横軸の幅を調整する。ここでは、周波数解析画像調整部１５は、横軸の幅がｂとなるように、画像データＧ´のメッシュ構成Ｇ´−Ｍ１を画像データＧ´´のメッシュ構成Ｇ´´−Ｍ０に調整する。

［画像重ね合せ処理の一例］
図７は、実施例に係る画像重ね合せ処理の一例を示す図である。なお、図７のＧ１，Ｇ２，・・・Ｇｎは、周期切り出し部１４によって切り出された１周期分の周波数解析画像データ（１周期分）２３を周波数解析画像調整部１５によって調整された画像データであるとする。なお、画像データＧ１，Ｇ２，・・・Ｇｎの横幅は、全てｂを示す。

図７に示すように、画像重ね合せ部１６は、周波数解析画像調整部１５によって調整された周波数解析画像データ（１周期分）２３を重ね合わせる。ここでは、画像重ね合せ部１６は、画像データＧ１，Ｇ２，・・・Ｇｎの同じ位置のメッシュごとに画素値を加算し、枚数で平均化する。重ね合わせられる画像データは、ほとんどの画像データが同じ形状であれば、符号Ａ０で示すように最も高い周波数に合わせて形状が太く表わされることになる。また、重ね合わせられる画像データは、ほとんどの画像データが違う形状であれば、符号Ａ１で示すように最も高い周波数に合わせて形状が細く表わされることになる。

［判別処理の一例］
図８は、実施例に係る判別処理の一例を示す図である。図８に示すように、判別部１７は、画像重ね合せ部１６によって生成された画像データＡの特徴量（特徴ベクトル）を分類器生成部１８によって生成された分類器に入力して、ブレード９１の正常、異常の分類を判別する。なお、画像データＡの特徴量は、特徴量抽出器によって抽出される。特徴量抽出器は、分類器生成部１８によって生成される分類器を生成する場合に用いられる特徴量抽出器と同じものであれば良い。

これにより、判別部１７は、音データ４０を解析して得られた周波数解析画像データ２１を１周期分ずつ切り分けた周波数解析画像データ（１周期分）２３を重ね合わせることで、風車９のブレード９１の異常を精度良く判別できる。すなわち、判別部１７は、複数周期分の画像データを重ね合わせた画像データを分類器に入力する。このため、判別部１７は、１周期ではブレード９１に異常がないように見える分布であっても、実際にはブレード９１に異常がある場合に異常によって現れる音の成分を分類器に入力する画像データに含ませることができ、ブレード９１の異常を確実に判別できる。

［分類器生成処理の一例］
図９は、実施例に係る分類器生成処理の一例を示す図である。なお、分類器生成処理は、学習フェースで実施される。図９に示すように、分類器生成部１８は、ブレード９１に傷の無い状態での１周期分の風切り音の周波数解析画像データ（１周期分）２３を正常データとし、ブレード９１に傷が有る状態での１周期分の風切り音の周波数解析画像データ（１周期分）２３を異常データとして特徴量抽出器に入力する。そして、分類器生成部１８は、特徴量抽出器から得られた特徴ベクトルを分類器に入力し、分類器を学習する。学習の結果、分類器が生成される。

この後、運用時に、判別部１７が、生成された分類器を用いて、ブレード９１の異常を判別する。

［異常判別処理のフローチャート］
図１０は、実施例に係る異常判別処理のフローチャートの一例を示す図である。

図１０に示すように、異常判別装置１は、１周期分の画像データの重ね合せ枚数、風車９に用いられるブレード９１の単位当たりの最大回転数および最小回転数を受け付ける（ステップＳ１１）。異常判別装置１は、音データ４０を周波数解析する（ステップＳ１２）。例えば、周波数解析部１２は、前処理された音データ４０を用いて、横軸として時間、縦軸として周波数となるような周波数解析画像データ２１を生成する。

異常判別装置１は、音データ４０からパワープロットデータ２２を生成し、生成したパワープロットデータ２２をスムージングする（ステップＳ１３）。例えば、音データ調整部１３は、前処理部１１によって前処理された音データ４０の波形から、音の強度をプロットしたパワープロットデータ２２を生成する。そして、音データ調整部１３は、生成したパワープロットデータ２２が示す波形をスムージングする。

異常判別装置１は、カウントを「０」に設定する（ステップＳ１４）。異常判別装置１は、パワープロットデータ２２から極小点を探索する（ステップＳ１５）。異常判別装置１は、極小点の今回と前回との時刻間隔が回転数の変動範囲であるか否かを判定する（ステップＳ１６）。例えば、周期切り出し部１４は、探索した極小点の時刻について、風車９の単位当たりの最小回転数と最大回転数とから得られる回転数条件を満たしているか否かを判定する。

極小点の今回と前回との時刻間隔が回転数の変動範囲でないと判定した場合には（ステップＳ１６；Ｎｏ）、異常判別装置１は、次の極小点を探索すべく、ステップＳ１５に移行する。一方、極小点の今回と前回との時刻間隔が回転数の変動範囲であると判定した場合には（ステップＳ１６；Ｙｅｓ）、異常判別装置１は、カウントを１加算する（ステップＳ１７）。

異常判別装置１は、カウントが「３」より大きいか否かを判定する（ステップＳ１８）。カウントが「３」より大きくないと判定した場合には（ステップＳ１８；Ｎｏ）、異常判別装置１は、探索した極小点の時刻を保持する（ステップＳ１９）。そして、異常判別装置１は、次の極小点を探索すべく、ステップＳ１５に移行する。

一方、カウントが「３」より大きいと判定した場合には（ステップＳ１８；Ｙｅｓ）、異常判別装置１は、周波数解析画像データ２１から横軸範囲を設定し、設定した横軸範囲を１周期分の切り出し範囲として切り出す（ステップＳ２０）。すなわち、異常判別装置１は、カウント「０」のときの極小点の時刻を始点とし、カウント「３」のときの極小点の時刻を終点とした１周期分の切り出し範囲を周波数解析画像データ２１から切り出す。

異常判別装置１は、切り出した数は重ね合せ枚数に到達したか否かを判定する（ステップＳ２１）。切り出した数は重ね合せ枚数に到達していないと判定した場合には（ステップＳ２１；Ｎｏ）、異常判別装置１は、次の切り出しを行うべく、ステップＳ１４に移行する。

一方、切り出した数は重ね合せ枚数に到達したと判定した場合には（ステップＳ２１；Ｙｅｓ）、異常判別装置１は、切り出した画像データ（周波数解析画像データ（１周期分）２３）群について、振幅を正規化する（ステップＳ２２）。そして、異常判別装置１は、切り出した画像データ（周波数解析画像データ（１周期分）２３）群について、横方向の幅調整を行う（ステップＳ２３）。すなわち、異常判別装置１は、１周期分ごとの周波数解析画像データ（１周期分）２３を、基準となる周波数解析画像データ（１周期分）２３の横幅と同じになるように拡縮する。

そして、異常判別装置１は、調整した１周期分ごとの周波数解析画像データ（１周期分）２３を重ね合せる（ステップＳ２４）。例えば、画像重ね合せ部１６は、調整された周波数解析画像データ（１周期分）２３の同じ位置のメッシュごとに画素値を加算し、枚数で平均化する。

そして、異常判別装置１は、重ね合せた画像データから正常／異常を判別する（ステップＳ２５）。例えば、判別部１７は、重ね合せた画像データを、分類器に入力して、ブレード９１の正常、異常の分類を判別する。そして、異常判別装置１は、異常判別処理を終了する。

一例として、異常判別装置１は、風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから風車の一回転分の時間間隔で連続的に画像データを切り出す。そして、異常判別装置１は、切り出した画像データのうち基準となる画像データに対して、該切り出した画像データの時間軸方向の幅が同じになるように拡縮して重ね合わせた画像データから学習されたモデルを取得する。異常判別装置１は、風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データが入力されたときに、モデルに基づいてブレードの異常の有無を判定する。

［異常判別処理の応用例］
ここで、異常判別装置１の応用例について説明する。異常判別装置１は、ブレード９１の異常を判定したときは、異常のあるブレード９１を有する風車９を特定する。例えば、異常判別装置１は、複数の風車９についての異常判別を行う。そして、異常判別装置１は、特定した風車９のブレード９１に損傷があることをユーザに通知する。

そして、異常判別装置１は、風車９のブレード９１に損傷があることをユーザに通知した場合は、特定した風車９の発電を停止するか否かの指示をユーザから受け付ける。異常判別装置１は、ユーザからの発電を停止する指示があった場合は、風車９を停止させる。

［実施例の効果］
上記実施例によれば、異常判別装置１は、風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから前記風車の一回転分の時間間隔で連続的に画像データを切り出す。異常判別装置１は、該切り出した連続した画像データのうち基準となる画像データに対して、該切り出した画像データの時間軸方向の幅が同じになるように拡縮して重ね合わせた画像データを生成する。異常判別装置１は、該生成した画像データを学習する。かかる構成によれば、異常判別装置１は、風車の一回転分の時間間隔で切り出した画像データを重ね合わせた画像データを学習に用いることで、風車のブレードの異常を精度良く判別できる。

また、上記実施例によれば、異常判別装置１は、切り出した画像データごとに、振幅を正規化するとともに、基準となる画像データに対して、時間軸方向のメッシュにおける数および幅を合わせるように調整する。異常判別装置１は、調整した画像データを重ね合わせた画像データを生成する。かかる構成によれば、異常判別装置１は、時間軸方向のメッシュにおける数および幅を調整した画像データを学習に用いることで、風車のブレードの異常を精度良く判別できる。

また、上記実施例によれば、異常判別装置１は、重ね合わせた画像データを、正常を示す画像データおよび異常を示す画像データを教師データとして生成された学習モデルに入力して、ブレードが異常であるか否かを判別する。かかる構成によれば、異常判別装置１は、重ね合せた画像データを学習モデルを用いてブレードの異常を判別することで、風車のブレードの異常を精度良く判別できる。

［その他］
なお、図示した異常判別装置１の各構成要素は、必ずしも物理的に図示の如く構成されていることを要しない。すなわち、異常判別装置１の分散・統合の具体的態様は図示のものに限られず、その全部または一部を、各種の負荷や使用状況などに応じて、任意の単位で機能的または物理的に分散・統合して構成することができる。例えば、前処理部１１と周波数解析部１２とを１つの部として統合しても良い。また、周期切り出し部１４を、極小点の時刻を探索する探索部と、探索できた極小点を用いて１周期分の画像データを切り出す切り出し部とに分離しても良い。また、記憶部２０を異常判別装置１の外部装置としてネットワーク経由で接続するようにしても良い。

また、上記実施例で説明した各種の処理は、予め用意されたプログラムをパーソナルコンピュータやワークステーションなどのコンピュータで実行することによって実現することができる。そこで、以下では、図１に示した異常判別装置１と同様の機能を実現する異常判別プログラムを実行するコンピュータの一例を説明する。図１１は、異常判別プログラムを実行するコンピュータの一例を示す図である。

図１１に示すように、コンピュータ２００は、各種演算処理を実行するＣＰＵ２０３と、ユーザからのデータの入力を受け付ける入力装置２１５と、表示装置２０９を制御する表示制御部２０７とを有する。また、コンピュータ２００は、記憶媒体からプログラムなどを読取るドライブ装置２１３と、ネットワークを介して他のコンピュータとの間でデータの授受を行う通信制御部２１７とを有する。また、コンピュータ２００は、各種情報を一時記憶するメモリ２０１と、ＨＤＤ（Hard Disk Drive）２０５を有する。そして、メモリ２０１、ＣＰＵ２０３、ＨＤＤ２０５、表示制御部２０７、ドライブ装置２１３、入力装置２１５、通信制御部２１７は、バス２１９で接続されている。

ドライブ装置２１３は、例えばリムーバブルディスク２１０用の装置である。ＨＤＤ２０５は、異常判別プログラム２０５ａおよび異常判別処理関連情報２０５ｂを記憶する。

ＣＰＵ２０３は、異常判別プログラム２０５ａを読み出して、メモリ２０１に展開し、プロセスとして実行する。かかるプロセスは、異常判別装置１の各機能部に対応する。異常判別処理関連情報２０５ｂは、周波数解析画像データ２１、パワープロットデータ２２、周波数解析画像データ（１周期分）２３に対応する。そして、例えばリムーバブルディスク２１０が、異常判別プログラム２０５ａなどの各情報を記憶する。

なお、異常判別プログラム２０５ａについては、必ずしも最初からＨＤＤ２０５に記憶させておかなくても良い。例えば、コンピュータ２００に挿入されるフレキシブルディスク（ＦＤ）、ＣＤ−ＲＯＭ（Compact Disk Read Only Memory）、ＤＶＤ（Digital Versatile Disk）、光磁気ディスク、ＩＣ（Integrated Circuit）カードなどの「可搬用の物理媒体」に当該プログラムを記憶させておく。そして、コンピュータ２００がこれらから異常判別プログラム２０５ａを読み出して実行するようにしても良い。

１ 異常判別装置
１０ 制御部
１１ 前処理部
１２ 周波数解析部
１３ 音データ調整部
１４ 周期切り出し部
１５ 周波数解析画像調整部
１６ 画像重ね合せ部
１７ 判別部
１８ 分類器生成部
１９ 出力部
２０ 記憶部
２１ 周波数解析画像データ
２２ パワープロットデータ
２３ 周波数解析画像データ（１周期分）

Claims (6)

1. 風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから前記風車の一回転分の時間間隔で連続的に画像データを切り出し、
   切り出した画像データのうち基準となる画像データに対して、該切り出した画像データの時間軸方向の幅が同じになるように拡縮して重ね合わせた画像データを生成し、
   該生成した画像データを学習する、
   処理をコンピュータが実行することを特徴とする異常判別方法。
2. 該生成する処理は、連続的に切り出した画像データごとに、振幅を正規化するとともに、前記基準となる画像データに対して、時間軸方向のメッシュにおける数および幅を合わせるように調整し、調整した画像データを重ね合わせた画像データを生成する
   ことを特徴とする請求項１に記載の異常判別方法。
3. 該学習する処理は、前記重ね合わせた画像データを、正常を示す画像データおよび異常を示す画像データを教師データとして生成された学習モデルに入力して、前記ブレードが異常であるか否かを判別する
   処理を実行することを特徴とする請求項１に記載の異常判別方法。
4. 風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから前記風車の一回転分の時間間隔で連続的に画像データを切り出す切り出し部と、
   前記切り出し部によって切り出された画像データのうち基準となる画像データに対して、該切り出された画像データの時間軸方向の幅が同じになるように拡縮して重ね合わせた画像データを生成する重ね合せ部と、
   該生成した画像データを学習する学習部と、
   を有することを特徴とする異常判別装置。
5. 風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから前記風車の一回転分の時間間隔で連続的に画像データを切り出し、
   切り出した画像データのうち基準となる画像データに対して、該切り出した画像データの時間軸方向の幅が同じになるように拡縮して重ね合わせた画像データを生成し、
   該生成した画像データを学習する、
   処理をコンピュータに実行させることを特徴とする異常判別プログラム。
6. 風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データから前記風車の一回転分の時間間隔で連続的に画像データを切り出した画像データのうち基準となる画像データに対して、該切り出した画像データの時間軸方向の幅が同じになるように拡縮して重ね合わせた画像データから学習されたモデルを取得し、
   風車に用いられるブレードから発生する時系列の音データを周波数分析した画像データが入力されたときに、前記モデルに基づいてブレードの異常の有無を判定する、
   処理をコンピュータが実行することを特徴とする異常判別方法。